Data Transformation

Welcome!

OBJETIVO: Presentación y breve panorama de lo que haremos las próximas semanas

 

Funcionamiento de nuestro cerebro.

 

 

Hay que ubicarnos en donde estamos en base a lo que hacemos actualmente. No todo lo que hacemos hoy esta mal, pero hay aún mas cosas que aprender.

 

 

La generación e ingesta de datos hoy es una necesidad, debemos contar con mejores herramientas para el manejo de los mismos. Es muy util en nuestras vidas se consumidores, pero mucho mejor ser generadores y controladores de ellos.

 

 

Debemos de empezar por algo, los diferentes lenguajes de programación y otras herramientas denominadas Open Source son un excelente comienzo!!

 

 

Necesitamos ver el ecosistema, nuestra realidad y tomar la mejor decisión para ver por donde empezamos, todos los lenguajes son utiles, pero no podemos saberlo todo.

 

 

Para discutir la próxima sesión, revisen el articulo, al inicio de cada sesión comentaremos algo similar, ya sea dudas de ustedes ó buenos articulos que recomendaré.

https://www.makeuseof.com/tag/how-programming-affects-brain/

 

Dudas del Open Source, revisen el siguiente Link https://www.gnu.org/licenses/quick-guide-gplv3.html y naveguen.

 

Getting Started with R Programming

OBJETIVO: Breve historia de R y contexto

 

R_Basico_1.0

OBJETIVO: Vistazo de Rstudio y primeros comandos

 

Recordando…

R es un lenguaje computacional diseñado para la estadística.

• Es gratis
• Amplias librerias
• Basto soporte, mailing list, blogs, tutoriales
• De facíl desarrollo
• Desarrolado por estadísticos

 

Recuerden que cualquier cosa que escriban en R muy probablemente no seran los primeros en intentarlo, hay una gran posibilidad que alguien ya haya escrito algun paquete justo para lo que necesitan.

Hecharemos un vistazo a la parte basica de RStudio que nos permitira entender el funcionamiento del lenguaje, sus alcances, sus aplicaciones y sus ventajas sobre las herramientas actuales que conocemos.

 

 

Inicien RStudio y abran un R script:

• En Windows click en el boton de Inicio y busquen Rstudio.
• Ya en Rstudio den click en File -> New File -> R script
• Guardenlo en su carpeta del curso File -> Save As -> ruta a su carpeta y nombre del file

Ahora traten de reproducir las siguientes notas.

Nota. Recuerden el simbolo # para comentar su codigo.

 

FORMAS DE DECLARAR Ó GUARDAR Ó ALMACENAR Ó MANTENER VARIABLES:

x = 3
y <- 4
5 -> z

Asi estan almacenadas en el ambiente:

x

## [1] 3

y

## [1] 4

z

## [1] 5

Nota. Los valores que guardamos pueden ser usados en subsecuentes operaciones, recuerden que lo mas limpio es poner el nombre a la izquierda y los valores a la derecha.

 

SOBRESCRIBIR VARIABLES:

x = 4
y <- 5
6 -> z

Asi estan almacenadas en el ambiente:

x

## [1] 4

y

## [1] 5

z

## [1] 6

CALCULOS BASICOS:

Operadores

#SUMAS
25+25

## [1] 50

x+y

## [1] 9

#MULTIPLICACIONES
35*2

## [1] 70

#DIVISIONES
x/y

## [1] 0.8

#RESTAS
z-x-y

## [1] -3

#Potencias
3^2

## [1] 9

y^x

## [1] 625

CALCULOS BASICOS

FORMAS DE NO HACER CALCULOS BASICOS, ASI NO ES LA SINTAXIS DE R:

#SUMAS
#=25+25

#MULTIPLICACIONES
#(35)(2)

VECTORES

#Basicos
x <- c(1,4,3,1,3,2,2,2)
x[1]

## [1] 1

x[2]

## [1] 4

x[2:4]

## [1] 4 3 1

x[-1]

## [1] 4 3 1 3 2 2 2

x[-4]

## [1] 1 4 3 3 2 2 2

x[x<=3]

## [1] 1 3 1 3 2 2 2

#Función which (más adelante veremos, for, while, ifelse)
#Devuelve la posición del elemento que pidamos validar.
which(x==1)

## [1] 1 4

#Quizá con el alfabeto es más claro.
which(letters == "g")

## [1] 7

x==1

## [1]  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE

#Mas complejos con operaciones, guardamos vectores
Cebollas.huacal <- c(12,4,4,6,9,3)
Chiles.caja <- c(5,3,2,2,12,9)
#Multiplicamos vectores
Cebollas.precio <- Cebollas.huacal *200
Chiles.precio <- Chiles.caja *100
#Sumamos vectores
Cebollas.precio + Chiles.precio

## [1] 2900 1100 1000 1400 3000 1500

#Tambien lo podemos hacer asi en 1 sola linea
Cebollas.huacal *200 + Chiles.caja *100

## [1] 2900 1100 1000 1400 3000 1500

OBJETOS

objeto <- 3*3

FUNCIONES

myfun = function(x, y){
  return (x*y)
}
myfun(3,4)

## [1] 12

myfun2 = function(x, n=2){
  return(x^n)
}
myfun2(4)

## [1] 16

myfun2(2, n=3)

## [1] 8

R LOOP´S (While - For)

Sintaxis WHILE:

 

i <- 1
while (i < 6) {
  print(i)
  i = i+1
  }

## [1] 1
## [1] 2
## [1] 3
## [1] 4
## [1] 5

 

Sintaxis FOR:

 

for (año in c(2014,2015,2016,2017,2018,2019)){
  print(paste("El año actual es", año))
}

## [1] "El año actual es 2014"
## [1] "El año actual es 2015"
## [1] "El año actual es 2016"
## [1] "El año actual es 2017"
## [1] "El año actual es 2018"
## [1] "El año actual es 2019"

 

Aún mejor…

for (año in 2014:2019){
  print(paste("El año actual es", año))
}

## [1] "El año actual es 2014"
## [1] "El año actual es 2015"
## [1] "El año actual es 2016"
## [1] "El año actual es 2017"
## [1] "El año actual es 2018"
## [1] "El año actual es 2019"

 

lo ideal…

años <- c(2014,2015,2016,2017,2018,2019)
for (i in años){
  print(paste("El año actual es", i))
}

## [1] "El año actual es 2014"
## [1] "El año actual es 2015"
## [1] "El año actual es 2016"
## [1] "El año actual es 2017"
## [1] "El año actual es 2018"
## [1] "El año actual es 2019"

 

R FUNCTION´S (Ifelse - Which)

Sintaxis IFELSE:

 

plazo <- c(6,9,12,24,30)
ifelse(plazo==9, "aplica" , "no aplica")

## [1] "no aplica" "aplica"    "no aplica" "no aplica" "no aplica"

 

más divertido…

plazo <- c(6,9,12,24,30)
ifelse(plazo>=9 & plazo<=24, "aplica" , "no aplica")

## [1] "no aplica" "aplica"    "aplica"    "aplica"    "no aplica"

 

Sintaxis WHICH:

 

which(letters == "g")

## [1] 7

 

Nota. Para más detalles consulten los documentos de apoyo del repo de git en el documento refcard_2.0_operators_others

 

R_Basico_1.1

OBJETIVO: Como cargar datos, paquetes y librerias

 

Cargando nuestros datos

R tiene algunas formas de leer archivos, los mas comunes son tablas, archivos planos, archivos con alguna codificacion especifica o estructurada. Aunque no sera el objetivo del curso, leer cadenas de texto, datos sin estructuras definidas o espcificas y archivos sin algun tipo de orden, es algo que tambien se puede hacer en R.

Para leer datos de un archivo, primero deben saber que tipo de archivo es, es decir, su extension. La tabla de abajo muestra una lista de funciones que pueden ser importadas segun el formato del archivo.

tipo de datos	funcion	paquete
comma separated (.csv)	read_csv()	readr
other delimited formats	read_delim()	readr
R (.Rds)	read_rds()	readr
Stata (.dta)	read_dta()	haven
SPSS (.sav)	read_spss()	haven
SAS (.sas7bdat)	read_sas()	haven
Excel (.xls, .xlsx)	read_excel()	readxl
regular delimited files	fread()	data.table

Nota. Mas información ver documento de apoyo data-import

 

Paqueterias de R ó los famosos packages

Los paquetes de R pueden ser instalados desde el famoso CRAN, el cual es una red de archivos de alta gama. Para ello deberán usar la función install.packages. Cuando instalan un paquete ponen una copia en la computadora de forma local, pero aun no lo hace “usable”, solo esta “disponible”. Para usarlo deberan adjuntar o cargar la funcion de library.

Gracias a nuestro amigo Hadley y otros colaboradores, en este curso usaremos para prueba de carga el famoso “the tidyverse”. Tidyverse nos brinda grandes herramientas para manipulación basica y avanzada de datos, es muy funcional, facíl e intuitiva.

 

install.packages("tidyverse")

library(tidyverse)

## -- Attaching packages ------------------------------------------ tidyverse 1.2.1 --

## v ggplot2 3.1.1       v purrr   0.3.2  
## v tibble  2.1.1       v dplyr   0.8.0.1
## v tidyr   0.8.3       v stringr 1.4.0  
## v readr   1.3.1       v forcats 0.4.0

## -- Conflicts --------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

 

Nota. Ayuda en R

Podemos usar la función help o el operador al inicio de cada sentencia ?.

#help(help)
#?str

 

Cargando nuestro primer archivo:

read_csv("bases/PRIMAS_EJE_CARGA.csv")

## Warning: Missing column names filled in: 'X2' [2], 'X3' [3], 'X4' [4],
## 'X5' [5], 'X6' [6], 'X7' [7], 'X8' [8], 'X9' [9], 'X10' [10], 'X11' [11],
## 'X12' [12]

## Parsed with column specification:
## cols(
##   `TITULOS FEOS DE REPORTES CLASICOS DE SIISA` = col_character(),
##   X2 = col_character(),
##   X3 = col_character(),
##   X4 = col_character(),
##   X5 = col_character(),
##   X6 = col_character(),
##   X7 = col_character(),
##   X8 = col_character(),
##   X9 = col_character(),
##   X10 = col_character(),
##   X11 = col_character(),
##   X12 = col_character()
## )

## # A tibble: 23,347 x 12
##    `TITULOS FEOS D~ X2    X3    X4    X5    X6    X7    X8    X9    X10  
##    <chr>            <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
##  1 <NA>             <NA>  <NA>  <NA>  <NA>  <NA>  <NA>  <NA>  <NA>  <NA> 
##  2 POLIZA           ENDO~ ID_C~ PRIMA PATE~ MATE~ NOMB~ NOMB~ SEXO  PLAZO
##  3 D00- 201901      1     1     2097~ MURR~ GAREY LETI~ <NA>  F     15   
##  4 D00- 201901      2     2     3202~ MEZA  MEZA  OMAR  <NA>  M     15   
##  5 D00- 201901      1     3     6028~ LOPEZ ARAG~ AARON FEDE~ M     21   
##  6 D00- 201901      2     4     8425~ CARD~ GUEV~ AARON IVAN  M     21   
##  7 D00- 201901      1     5     2842~ JAVI~ MARQ~ AARON ALEJ~ M     27   
##  8 D00- 201901      2     6     1593~ CAST~ RANG~ AARON <NA>  M     9    
##  9 D00- 201901      1     7     1403~ GUER~ RODR~ AARON <NA>  M     15   
## 10 D00- 201901      2     8     3766~ BENC~ RUBIO AARON MART~ M     9    
## # ... with 23,337 more rows, and 2 more variables: X11 <chr>, X12 <chr>

UPS!! Problemas!!!

 

Hagamos que este disponible la libreria…

library(readr)
read_csv("bases/PRIMAS_EJE_CARGA.csv")

## Warning: Missing column names filled in: 'X2' [2], 'X3' [3], 'X4' [4],
## 'X5' [5], 'X6' [6], 'X7' [7], 'X8' [8], 'X9' [9], 'X10' [10], 'X11' [11],
## 'X12' [12]

## Parsed with column specification:
## cols(
##   `TITULOS FEOS DE REPORTES CLASICOS DE SIISA` = col_character(),
##   X2 = col_character(),
##   X3 = col_character(),
##   X4 = col_character(),
##   X5 = col_character(),
##   X6 = col_character(),
##   X7 = col_character(),
##   X8 = col_character(),
##   X9 = col_character(),
##   X10 = col_character(),
##   X11 = col_character(),
##   X12 = col_character()
## )

## # A tibble: 23,347 x 12
##    `TITULOS FEOS D~ X2    X3    X4    X5    X6    X7    X8    X9    X10  
##    <chr>            <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
##  1 <NA>             <NA>  <NA>  <NA>  <NA>  <NA>  <NA>  <NA>  <NA>  <NA> 
##  2 POLIZA           ENDO~ ID_C~ PRIMA PATE~ MATE~ NOMB~ NOMB~ SEXO  PLAZO
##  3 D00- 201901      1     1     2097~ MURR~ GAREY LETI~ <NA>  F     15   
##  4 D00- 201901      2     2     3202~ MEZA  MEZA  OMAR  <NA>  M     15   
##  5 D00- 201901      1     3     6028~ LOPEZ ARAG~ AARON FEDE~ M     21   
##  6 D00- 201901      2     4     8425~ CARD~ GUEV~ AARON IVAN  M     21   
##  7 D00- 201901      1     5     2842~ JAVI~ MARQ~ AARON ALEJ~ M     27   
##  8 D00- 201901      2     6     1593~ CAST~ RANG~ AARON <NA>  M     9    
##  9 D00- 201901      1     7     1403~ GUER~ RODR~ AARON <NA>  M     15   
## 10 D00- 201901      2     8     3766~ BENC~ RUBIO AARON MART~ M     9    
## # ... with 23,337 more rows, and 2 more variables: X11 <chr>, X12 <chr>

Clasico de SIISA y nuestros amigos de TI!!!

 

library(readr)
read_csv("bases/PRIMAS_EJE_CARGA.csv", skip = 2)

## Parsed with column specification:
## cols(
##   POLIZA = col_character(),
##   ENDOSO = col_double(),
##   ID_CONS = col_double(),
##   PRIMA = col_double(),
##   PATERNO = col_character(),
##   MATERNO = col_character(),
##   NOMBRE = col_character(),
##   NOMBRE_2 = col_character(),
##   SEXO = col_character(),
##   PLAZO = col_double(),
##   SEG_SOCIAL = col_double(),
##   ID_PROD = col_double()
## )

## # A tibble: 23,345 x 12
##    POLIZA ENDOSO ID_CONS  PRIMA PATERNO MATERNO NOMBRE NOMBRE_2 SEXO  PLAZO
##    <chr>   <dbl>   <dbl>  <dbl> <chr>   <chr>   <chr>  <chr>    <chr> <dbl>
##  1 D00- ~      1       1 20975. MURRIE~ GAREY   LETIC~ <NA>     F        15
##  2 D00- ~      2       2 32022. MEZA    MEZA    OMAR   <NA>     M        15
##  3 D00- ~      1       3 60285. LOPEZ   ARAGON  AARON  FEDERICO M        21
##  4 D00- ~      2       4  8425. CARDONA GUEVARA AARON  IVAN     M        21
##  5 D00- ~      1       5 28429. JAVIER  MARQUEZ AARON  ALEJAND~ M        27
##  6 D00- ~      2       6 15936. CASTIL~ RANGEL  AARON  <NA>     M         9
##  7 D00- ~      1       7 14032. GUERRE~ RODRIG~ AARON  <NA>     M        15
##  8 D00- ~      2       8  3767. BENCOMO RUBIO   AARON  MARTIN   M         9
##  9 D00- ~      1       9  1742. GARCIA  RAMON   AARON  NEFTALI  M         3
## 10 D00- ~      2      10 16206. SEGUNDO DIONIC~ AARON  MELCHOR  M        15
## # ... with 23,335 more rows, and 2 more variables: SEG_SOCIAL <dbl>,
## #   ID_PROD <dbl>

 

primas <- read_csv("bases/PRIMAS_EJE_CARGA.csv", skip = 2, n_max = 5)

## Parsed with column specification:
## cols(
##   POLIZA = col_character(),
##   ENDOSO = col_double(),
##   ID_CONS = col_double(),
##   PRIMA = col_double(),
##   PATERNO = col_character(),
##   MATERNO = col_character(),
##   NOMBRE = col_character(),
##   NOMBRE_2 = col_character(),
##   SEXO = col_character(),
##   PLAZO = col_double(),
##   SEG_SOCIAL = col_double(),
##   ID_PROD = col_double()
## )

 

#install.packages("data.table")
library(data.table)

## 
## Attaching package: 'data.table'

## The following objects are masked from 'package:dplyr':
## 
##     between, first, last

## The following object is masked from 'package:purrr':
## 
##     transpose

primas_fread <- fread("bases/PRIMAS_EJE_CARGA.csv", skip = 2, sep = ",")
head(primas_fread,5)

##         POLIZA ENDOSO ID_CONS    PRIMA  PATERNO MATERNO  NOMBRE  NOMBRE_2
## 1: D00- 201901      1       1 20975.47 MURRIETA   GAREY LETICIA          
## 2: D00- 201901      2       2 32021.65     MEZA    MEZA    OMAR          
## 3: D00- 201901      1       3 60285.43    LOPEZ  ARAGON   AARON  FEDERICO
## 4: D00- 201901      2       4  8425.26  CARDONA GUEVARA   AARON      IVAN
## 5: D00- 201901      1       5 28428.92   JAVIER MARQUEZ   AARON ALEJANDRO
##    SEXO PLAZO SEG_SOCIAL ID_PROD
## 1:    F    15          1     720
## 2:    M    15          2     700
## 3:    M    21          1     700
## 4:    M    21          1     700
## 5:    M    27          1     700

 

Ahora validamos ó exploramos los datos que cargamos en el ambiente con las siguientes funciones estadísticas

class(primas_fread)

## [1] "data.table" "data.frame"

 

Podemos obtener aún más

library(dplyr)
glimpse(primas_fread)

## Observations: 23,345
## Variables: 12
## $ POLIZA     <chr> "D00- 201901", "D00- 201901", "D00- 201901", "D00- ...
## $ ENDOSO     <int> 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, ...
## $ ID_CONS    <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, ...
## $ PRIMA      <dbl> 20975.47, 32021.65, 60285.43, 8425.26, 28428.92, 15...
## $ PATERNO    <chr> "MURRIETA", "MEZA", "LOPEZ", "CARDONA", "JAVIER", "...
## $ MATERNO    <chr> "GAREY", "MEZA", "ARAGON", "GUEVARA", "MARQUEZ", "R...
## $ NOMBRE     <chr> "LETICIA", "OMAR", "AARON", "AARON", "AARON", "AARO...
## $ NOMBRE_2   <chr> "", "", "FEDERICO", "IVAN", "ALEJANDRO", "", "", "M...
## $ SEXO       <chr> "F", "M", "M", "M", "M", "M", "M", "M", "M", "M", "...
## $ PLAZO      <int> 15, 15, 21, 21, 27, 9, 15, 9, 3, 15, 15, 15, 21, 9,...
## $ SEG_SOCIAL <int> 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 4, 1, 1, 1, 1, ...
## $ ID_PROD    <int> 720, 700, 700, 700, 700, 720, 700, 720, 700, 700, 7...

 

Un poco más

str(primas_fread)

## Classes 'data.table' and 'data.frame':   23345 obs. of  12 variables:
##  $ POLIZA    : chr  "D00- 201901" "D00- 201901" "D00- 201901" "D00- 201901" ...
##  $ ENDOSO    : int  1 2 1 2 1 2 1 2 1 2 ...
##  $ ID_CONS   : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ PRIMA     : num  20975 32022 60285 8425 28429 ...
##  $ PATERNO   : chr  "MURRIETA" "MEZA" "LOPEZ" "CARDONA" ...
##  $ MATERNO   : chr  "GAREY" "MEZA" "ARAGON" "GUEVARA" ...
##  $ NOMBRE    : chr  "LETICIA" "OMAR" "AARON" "AARON" ...
##  $ NOMBRE_2  : chr  "" "" "FEDERICO" "IVAN" ...
##  $ SEXO      : chr  "F" "M" "M" "M" ...
##  $ PLAZO     : int  15 15 21 21 27 9 15 9 3 15 ...
##  $ SEG_SOCIAL: int  1 2 1 1 1 1 1 1 1 1 ...
##  $ ID_PROD   : int  720 700 700 700 700 720 700 720 700 700 ...
##  - attr(*, ".internal.selfref")=<externalptr>

 

la mejor información!!!

summary(primas_fread)

##     POLIZA              ENDOSO          ID_CONS          PRIMA       
##  Length:23345       Min.   : 1.000   Min.   :    1   Min.   : -2335  
##  Class :character   1st Qu.: 1.000   1st Qu.: 5837   1st Qu.:  5637  
##  Mode  :character   Median : 2.000   Median :11673   Median : 11046  
##                     Mean   : 1.504   Mean   :11673   Mean   : 14705  
##                     3rd Qu.: 2.000   3rd Qu.:17509   3rd Qu.: 19253  
##                     Max.   :33.000   Max.   :23345   Max.   :415787  
##    PATERNO            MATERNO             NOMBRE         
##  Length:23345       Length:23345       Length:23345      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##    NOMBRE_2             SEXO               PLAZO         SEG_SOCIAL   
##  Length:23345       Length:23345       Min.   : 3.00   Min.   :1.000  
##  Class :character   Class :character   1st Qu.: 9.00   1st Qu.:1.000  
##  Mode  :character   Mode  :character   Median :15.00   Median :1.000  
##                                        Mean   :16.18   Mean   :1.137  
##                                        3rd Qu.:21.00   3rd Qu.:1.000  
##                                        Max.   :34.00   Max.   :4.000  
##     ID_PROD    
##  Min.   : 242  
##  1st Qu.: 638  
##  Median : 700  
##  Mean   : 669  
##  3rd Qu.: 700  
##  Max.   :1780

 

El artículo a discutir al inicio de la sesión numero 3 es el siguiente:

https://www.elfinanciero.com.mx/tech/por-que-tus-hijos-deberian-aprender-a-programar

 

R_Basico_1.2

OBJETIVO: Manejo de datos

 

Normalmente los datos en R son almacenados como data.frame

Un data.frame es una lista de vectores de la misma longitud, piensenlos como una tabla de observaciones (individuos), cada entrada del vector en la lista forma una columna, cada columna puede ser de diferente tipo, conocemos a las columnas como variables y a las filas como observaciones.

Un data.frame tiene entonces dos dimensiones correspondientes al numero de filas y columnas, en ese estricto orden.

Empezaremos a hacer nuestros primeros subsets, muy utiles en la vida real.

 

Empezamos con un clasico, filter

filter(primas_fread, PLAZO == 34 & SEXO == "F")

##        POLIZA ENDOSO ID_CONS    PRIMA   PATERNO MATERNO NOMBRE   NOMBRE_2
## 1 D00- 201901      1   16619 18224.27 HERNANDEZ MORALES  MARIA DEL CARMEN
##   SEXO PLAZO SEG_SOCIAL ID_PROD
## 1    F    34          1    1780

filter(primas_fread, PLAZO == 3, NOMBRE %in% c("AARON", "RICARDO"))

##         POLIZA ENDOSO ID_CONS    PRIMA    PATERNO   MATERNO  NOMBRE
## 1  D00- 201901      1       9  1742.10     GARCIA     RAMON   AARON
## 2  D00- 201901      2      16  4997.92      REYES    URBINA   AARON
## 3  D00- 201901      1      17  9411.26 DE LA ROSA      SOTO   AARON
## 4  D00- 201901      2      22  1086.45     TORRES    ALONSO   AARON
## 5  D00- 201901      2   20218  7138.09    RAMIREZ      MAAS RICARDO
## 6  D00- 201901      1   20241  3867.84   OCEGUERA     GOMEZ RICARDO
## 7  D00- 201901      2   20242  3911.27     JUAREZ   RAMIREZ RICARDO
## 8  D00- 201901      2   20256  3892.39   MARTINEZ    GARCIA RICARDO
## 9  D00- 201901      2   20274  3905.70     FLORES    GARCIA RICARDO
## 10 D00- 201901      1   20275  3107.25     BURGOS  GAMONEDA RICARDO
## 11 D00- 201901      1   20291  3440.37     MORENO     OLIVA RICARDO
## 12 D00- 201901      2   20304 13680.13       NAVA CERVANTES RICARDO
## 13 D00- 201901      1   20305 16946.59       NAVA CERVANTES RICARDO
## 14 D00- 201901      1   20325  8340.28  FRANCISCO    JUAREZ RICARDO
## 15 D00- 201901      1   20345 10971.09   RENTERIA     SALAS RICARDO
## 16 D00- 201901      1   20347  3140.36 ALTAMIRANO   PIZARRO RICARDO
##     NOMBRE_2 SEXO PLAZO SEG_SOCIAL ID_PROD
## 1    NEFTALI    M     3          1     700
## 2     ADRIAN    M     3          1     700
## 3    ALBERTO    M     3          1     700
## 4   EMMANUEL    M     3          1     700
## 5               M     3          1     700
## 6               M     3          1     754
## 7    ALBERTO    M     3          1     700
## 8    ANTONIO    M     3          1     700
## 9               M     3          1     700
## 10              M     3          1     700
## 11              M     3          1     700
## 12 FRANCISCO    M     3          1     700
## 13              M     3          1     700
## 14              M     3          1     700
## 15     DARIO    M     3          1     700
## 16              M     3          1     700

 

Buen acceso a ciertas observaciones, slice

slice(primas_fread, 1:5)

##        POLIZA ENDOSO ID_CONS    PRIMA  PATERNO MATERNO  NOMBRE  NOMBRE_2
## 1 D00- 201901      1       1 20975.47 MURRIETA   GAREY LETICIA          
## 2 D00- 201901      2       2 32021.65     MEZA    MEZA    OMAR          
## 3 D00- 201901      1       3 60285.43    LOPEZ  ARAGON   AARON  FEDERICO
## 4 D00- 201901      2       4  8425.26  CARDONA GUEVARA   AARON      IVAN
## 5 D00- 201901      1       5 28428.92   JAVIER MARQUEZ   AARON ALEJANDRO
##   SEXO PLAZO SEG_SOCIAL ID_PROD
## 1    F    15          1     720
## 2    M    15          2     700
## 3    M    21          1     700
## 4    M    21          1     700
## 5    M    27          1     700

Que pasó aqui?

head(slice(primas_fread,-c(1,2)))

##        POLIZA ENDOSO ID_CONS    PRIMA  PATERNO   MATERNO NOMBRE  NOMBRE_2
## 1 D00- 201901      1       3 60285.43    LOPEZ    ARAGON  AARON  FEDERICO
## 2 D00- 201901      2       4  8425.26  CARDONA   GUEVARA  AARON      IVAN
## 3 D00- 201901      1       5 28428.92   JAVIER   MARQUEZ  AARON ALEJANDRO
## 4 D00- 201901      2       6 15935.75 CASTILLO    RANGEL  AARON          
## 5 D00- 201901      1       7 14032.46 GUERRERO RODRIGUEZ  AARON          
## 6 D00- 201901      2       8  3766.85  BENCOMO     RUBIO  AARON    MARTIN
##   SEXO PLAZO SEG_SOCIAL ID_PROD
## 1    M    21          1     700
## 2    M    21          1     700
## 3    M    27          1     700
## 4    M     9          1     720
## 5    M    15          1     700
## 6    M     9          1     720

Revisemos con un head y un tail

head(primas_fread)

##         POLIZA ENDOSO ID_CONS    PRIMA  PATERNO MATERNO  NOMBRE  NOMBRE_2
## 1: D00- 201901      1       1 20975.47 MURRIETA   GAREY LETICIA          
## 2: D00- 201901      2       2 32021.65     MEZA    MEZA    OMAR          
## 3: D00- 201901      1       3 60285.43    LOPEZ  ARAGON   AARON  FEDERICO
## 4: D00- 201901      2       4  8425.26  CARDONA GUEVARA   AARON      IVAN
## 5: D00- 201901      1       5 28428.92   JAVIER MARQUEZ   AARON ALEJANDRO
## 6: D00- 201901      2       6 15935.75 CASTILLO  RANGEL   AARON          
##    SEXO PLAZO SEG_SOCIAL ID_PROD
## 1:    F    15          1     720
## 2:    M    15          2     700
## 3:    M    21          1     700
## 4:    M    21          1     700
## 5:    M    27          1     700
## 6:    M     9          1     720

tail(primas_fread)

##         POLIZA ENDOSO ID_CONS    PRIMA  PATERNO MATERNO     NOMBRE
## 1: D00- 201901      2   23340  1923.02  PEDRAZA    PE?A ZURISADDAI
## 2: D00- 201901      1   23341 15031.21    PINTO  DUARTE ZURISADDAI
## 3: D00- 201901      2   23342 14564.44   ESPA?A   PEREZ      ZUSET
## 4: D00- 201901      1   23343  5693.09 QUINTERO  GARCIA     ZUXCEL
## 5: D00- 201901      2   23344 12837.95  ESCOBAR SANCHEZ     ZYANYA
## 6: D00- 201901      3   23345 30091.90 VALENCIA   LOPEZ    ZYZLILA
##    NOMBRE_2 SEXO PLAZO SEG_SOCIAL ID_PROD
## 1:             F    15          4     642
## 2:             F    27          4     638
## 3:             F    15          1     638
## 4: CRISTINA    F    27          1     638
## 5:  MARIANA    F    27          1     638
## 6:             F     9          1     638

 

Entonces slice y filter se usan para extraer algun tipo de “observación, row, fila, value, entrada, etc.”, de la misma forma usamos select para acceder a las columnas.

select(slice(primas_fread, 23340:23345), c(PATERNO, MATERNO, NOMBRE))

##    PATERNO MATERNO     NOMBRE
## 1  PEDRAZA    PE?A ZURISADDAI
## 2    PINTO  DUARTE ZURISADDAI
## 3   ESPA?A   PEREZ      ZUSET
## 4 QUINTERO  GARCIA     ZUXCEL
## 5  ESCOBAR SANCHEZ     ZYANYA
## 6 VALENCIA   LOPEZ    ZYZLILA

…podemos usar algo super util como el simbolo de $, el cual nos ayudara a acceder a una columna especifica de un df

sd(primas_fread$PRIMA)

## [1] 14830.78

o tambien…

mean(primas_fread$PRIMA)

## [1] 14704.87

 

Ejercicio 1

El objetivo del siguiente ejericio es para que practiquen, algunas cosas que hemos aprendido, traten de hacerlo siguiendo las notas, recuerden que deben de tener instalado y cargado el tidyverse.

Usen el archivo que esta en la carpeta de las bases de mi repo denominado PRIMAS_EJE_AUTOS.csv.

 

1. Lean la base del ejericio con alguna función de la libreria readr, y limiten la lectura a 20 rows.

 

2. Lean TODA la base del ejericio y asignen la información a una variable, traten de quitar el encabezado feo de los reportes de SIISA.

 

3. Ahora, con su variable, usen por lo menos dos de las funciones para exploración de datos.

 

4. Por último, de la información que ahora esta en su variable, usando LOOP´S (for e ifelse) reemplacen los productos (ID_PROD) que sean IGUALES a 700 por el producto (ID_PROD) 750.

 

Revisen el siguiente video para comentarlo la proxima sesión.

https://youtu.be/sTNfFatKfoI

 

R_dplyr

OBJETIVO: Pipes, datos en forma tidy y vervos de la librería

 

Sigan cuidadosamente las siguientes instrucciones, inicien RStudio y generen un nuevo proyecto:

• En Windows click en el botón de Inicio y busquen Rstudio.
• Ya en Rstudio den click en File -> New Project... -> Existing Directory -> Browse... -> seleccionar carpeta destino -> Open -> Create Project
• Ya que se abre otra pantalla de R, dar click en File -> New File -> R script
• Guárdenlo en su carpeta del Proyecto nuevo que acabamos de crear. File -> Save As -> ruta a su carpeta y nombre del file
• Instalen dplyr(en caso de no tenerlo aún)
• Iniciemos con lo siguiente:

 

Debemos cargar el archivo ART_492_JUNIO_2019 con varias pestañas, contribucion de nuestro amigo LEE.

De la siguiente forma cargamos 1 sola pestaña, pero no es la escencia de esto.

library(dplyr)
library(readxl)
pestaña <- read_excel("C:/Users/Administrador/Desktop/DOC/WORKSHOP_R/ART_492_JUNIO_2019.xlsx", sheet = 2)
head(pestaña)

 

Revisamos de la siguiente manera las pestañas y seleccionamos la que queremos revisar.

#recuerden que el path de cada equipo es diferente
ruta <- "C:/Users/Administrador/Desktop/DOC/WORKSHOP_R/ART_492_JUNIO_2019.xlsx"
excel_sheets(path = ruta)

##  [1] "SERGIO CARBALLO (2)"     "AGENTES SERGIO CARBALLO"
##  [3] "MARCELA HUERTA (2)"      "JOSE MARIA GARCIA (2)"  
##  [5] "JORGE VERGARA MACIP"     "JOSE MARIA GARCIA"      
##  [7] "JERRY O´HEA (2)"         "JERRY O´HEA"            
##  [9] "SERGIO CARBALLO"         "MICHAEL SCHITTEK"       
## [11] " AGENTES MICHAEL"        "MARCELA HUERTA"         
## [13] "ADEUDOS TOTAL"           "DETALLE POR ANALISTA"   
## [15] "Hoja6"

Ojo. Muestra inclusive las pestañas que est ocultas.

 

Cargamos el archivo y la pestaña deseada:

emision <- read_excel(path = ruta, sheet = "SERGIO CARBALLO")
head(emision)

 

Revisamos los datos:

summary(emision)

 

Verbos de dplyr que usaremos:

• mutate() adds new variables that are functions of existing variables
• select() picks variables based on their names.
• filter() picks cases based on their values.
• summarise() reduces multiple values down to a single summary.
• arrange() changes the ordering of the rows.

Provided by https://dplyr.tidyverse.org/

Nota. Usaremos un simbolo muy curioso para todo esto, operator(%>%)

 

Iniciamos con el verbo mutate(), el cual nos genera una nueva variable a partir de la suma de columnas seleccionadas que contienen cierta condición.

emision_modificado <- emision %>%
  mutate(CUENTA_DOCS = rowSums(.[24:43]=="Si", na.rm=TRUE))

 

Revisamos como quedo el nuevo dataset.

head(emision_modificado)

 

emision_modificado <- emision_modificado %>%
  mutate(PORCENTAJE_CUMPLI = (CUENTA_DOCS/43)*100)
#Revisamos la nueva variable
summary(emision_modificado$PORCENTAJE_CUMPLI)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   0.000   0.000   1.975   0.000  13.953

 

Ahora revisamos que hace el verbo select().

emision_res <- emision_modificado %>%
  select(c("Sucursal","Nombre Sucursal","Prima Convertida"))

 

colnames(emision_res)

## [1] "Sucursal"         "Nombre Sucursal"  "Prima Convertida"

 

No guardamos lo siguiente en la variable, solo observen que pasa.

emision_modificado %>%
  select(ends_with("ramo")) %>%
  head()

## # A tibble: 6 x 4
##    Ramo `Descripcion Ramo` Subramo `Descripcion Subramo`
##   <dbl> <chr>                <dbl> <chr>                
## 1     7 PAQUETE                  3 OBRAS CIVILES        
## 2     3 TRANSPORTES              5 CASCOS DE BUQUES     
## 3     7 PAQUETE                  3 OBRAS CIVILES        
## 4     7 PAQUETE                  5 MULTIPLE EMPRESARIAL 
## 5     7 PAQUETE                  5 MULTIPLE EMPRESARIAL 
## 6     3 TRANSPORTES              1 TRANSPORTES DE CARGA

 

Y el verbo filter() similar al que ya habiamos visto.

emision_modificado <- emision_modificado %>%
  filter(`Descripcion Ramo`  == "AUTOMOVILES", Subramo %in% c(1,2))

 

head(emision_modificado)

## # A tibble: 6 x 69
##     `#` Sucursal `Nombre Sucursa~ `Prima Converti~ Agente `Razon Social`
##   <dbl> <chr>    <chr>                       <dbl>  <dbl> <chr>         
## 1     1 D00      MEXICO                    661200.   1593 GRUPO DE ASES~
## 2     1 D00      MEXICO                    570791.    628 WILLIS AGENTE~
## 3     1 D00      MEXICO                    442108.    628 WILLIS AGENTE~
## 4     1 D70      METRO INSURGENT~          297605.   6161 MURGUIA CONSU~
## 5     1 D00      MEXICO                    245154.    828 ASESORES PROF~
## 6     1 D70      METRO INSURGENT~          216150.   6161 MURGUIA CONSU~
## # ... with 63 more variables: Ramo <dbl>, `Descripcion Ramo` <chr>,
## #   Subramo <dbl>, `Descripcion Subramo` <chr>, Ejecutivo...11 <chr>,
## #   Directivo...12 <chr>, Ejecutivo...13 <chr>, Directivo...14 <chr>,
## #   RFC <chr>, IdAseg <chr>, `Razón Social` <chr>, `Fecha de Alta` <dttm>,
## #   `Fecha de Art. 140` <dttm>, Observaciones <chr>, `Tipo Persona` <dbl>,
## #   `Clientes 2016 2017 2018` <dbl>, Moneda <dbl>, Póliza <chr>, `1
## #   IDENTIFICACION OFICIAL"` <chr>, `2 CLAVE UNICA DE REGISTRO DE
## #   POBLACION (CURP)...26` <chr>, `3 CEDULA DE IDENTIFICACION FISCAL
## #   (RFC)...27` <chr>, `4 COMPROBANTE DE DOMICILIO...28` <chr>, `8 FORMATO
## #   CONOCE A TU CLIENTE...29` <chr>, `1 TESTIMONIO NOTARIAL O COPIA DEL
## #   ACTA COSTITUTIVA` <chr>, `2 CEDULA DE IDENTIFICACION FISCAL
## #   (RFC)` <chr>, `3 COMPROBANTE DE DOMICILIO` <chr>, `4 TESTIMONIO O
## #   COPIA DEL PODER NOTARIAL DEL REPRESENTANTE LEGAL` <chr>, `5
## #   IDENTIFICACION OFICIAL DEL REPRESENTANTE LEGAL` <chr>, `6 ESCRITO
## #   FIRMADO QUE ACREDITA LA INSCRIPCION RESPECTIVA (EMPRESA DE RECIENTE
## #   CONSTITUCION)` <chr>, `8 FORMATO CONOCE A TU CLIENTE...36` <chr>, `99
## #   DATOS COMPLETOS...37` <chr>, `1 TESTIMONIO O COPIA CERTIFICADA DEL
## #   PODER NOTARIAL` <lgl>, `2 CONSTANCIA DE NOMBRAMIENTO, EXPEDIDA EN
## #   TERMINOS DEL ART. 90 DE LA LEY DE INST. DE SEGUROS` <lgl>, `3
## #   IDENTIFICACION OFICIAL DEL REPRESENTANTEO REPRESENTANTES LEGALES DE LA
## #   ENTIDAD` <lgl>, `4 COMPROBANTE DE DOMICILIO...41` <lgl>, `5 CEDULA DE
## #   IDENTIFICACION FISCAL (RFC)` <lgl>, `8 FORMATO CONOCE A TU
## #   CLIENTE...43` <lgl>, `9 Y/O ACTA DE MAYORIA QUE SE LE ENTREGA AL
## #   PRESIDENTE MUNICIPAL Y LEY ORGANICA DE LA ADMINISTRACION PU` <lgl>,
## #   `99 DATOS COMPLETOS...45` <lgl>, `1 IDENTIFICACION OFICIAL` <lgl>, `2
## #   CLAVE UNICA DE REGISTRO DE POBLACION (CURP)...47` <lgl>, `3 CEDULA DE
## #   IDENTIFICACION FISCAL (RFC)...48` <lgl>, `4 COMPROBANTE DE
## #   DOMICILIO...49` <lgl>, `8 FORMATO CONOCE A TU CLIENTE...50` <lgl>, `99
## #   DATOS COMPLETOS...51` <lgl>, `5 CARTA PODER DEL APODERADO
## #   LEGAL` <lgl>, `6 IDENTIFICACION DEL APODERADO LEGAL` <lgl>, `7
## #   COMPROBANTE DE DOMICILIO DEL APODERADO LEGAL` <lgl>, `1 PASAPORTE
## #   ORIGINAL Y/O DOCUMENTO QUE ACREDITE SU LEGAL ESTANCIA EN TERRITORIO
## #   MEXICANO...55` <lgl>, `4 COMPROBANTE DE DOMICILIO...56` <lgl>, `8
## #   FORMATO CONOCE A TU CLIENTE...57` <lgl>, `1 COPIA LEGISLADA O
## #   APOSTILLADA DEL DOCTO. QUE ACREDITE SU LEGAL EXISTENCIA` <lgl>, `2
## #   COPIA LEGISLADA O APOSTILLADA DEL PODER DEL REPRESENTANTE LEGAL (NAL.
## #   O EXT.)` <lgl>, `3 COPIA DE LA IDENTIFICACION PERSONAL OFICIAL DEL
## #   REPRESENTANTE O REPRESENTANTES LEGALES` <lgl>, `4 COMPROBANTE DE
## #   DOMICILIO...61` <lgl>, `8 FORMATO CONOCE A TU CLIENTE...62` <lgl>, `99
## #   DATOS COMPLETOS...63` <lgl>, `1 PASAPORTE ORIGINAL Y/O DOCUMENTO QUE
## #   ACREDITE SU LEGAL ESTANCIA EN TERRITORIO MEXICANO...64` <lgl>, `4
## #   COMPROBANTE DE DOMICILIO...65` <lgl>, `8 FORMATO CONOCE A TU
## #   CLIENTE...66` <lgl>, `99 DATOS COMPLETOS...67` <lgl>,
## #   CUENTA_DOCS <dbl>, PORCENTAJE_CUMPLI <dbl>

 

El siguiente verbo summarise() es de gran utilidad, lo usaremos mucho, esperen a que lleguemos al mundo visual de ggplot.

Tenemos la variable emision_res que tiene la extracción de solo 3 columnas, la usamos.

emision_res <- emision_res %>%
  group_by(Sucursal) %>%
  summarise(cuenta = n())

 

emision_res

## # A tibble: 4 x 2
##   Sucursal cuenta
##   <chr>     <int>
## 1 <NA>         50
## 2 D00         191
## 3 D70          10
## 4 F04           1

 

Y por ultimo un verbo para ordenar o acomodar nuestros valores muy usado es arrange()

emision_res %>%
  arrange(desc(cuenta))

 

emision_res <- emision_res %>%
  arrange(cuenta)

 

emision_res

## # A tibble: 4 x 2
##   Sucursal cuenta
##   <chr>     <int>
## 1 F04           1
## 2 D70          10
## 3 <NA>         50
## 4 D00         191

 

Quiamos espacios feos de los nombres de columnas:

names(emision) <- gsub(" ", "_", names(emision))
colnames(emision)

##  [1] "#"                                                                                                     
##  [2] "Sucursal"                                                                                              
##  [3] "Nombre_Sucursal"                                                                                       
##  [4] "Prima_Convertida"                                                                                      
##  [5] "Agente"                                                                                                
##  [6] "Razon_Social"                                                                                          
##  [7] "Ramo"                                                                                                  
##  [8] "Descripcion_Ramo"                                                                                      
##  [9] "Subramo"                                                                                               
## [10] "Descripcion_Subramo"                                                                                   
## [11] "Ejecutivo...11"                                                                                        
## [12] "Directivo...12"                                                                                        
## [13] "Ejecutivo...13"                                                                                        
## [14] "Directivo...14"                                                                                        
## [15] "RFC"                                                                                                   
## [16] "IdAseg"                                                                                                
## [17] "Razón_Social"                                                                                          
## [18] "Fecha_de_Alta"                                                                                         
## [19] "Fecha_de_Art._140"                                                                                     
## [20] "Observaciones"                                                                                         
## [21] "Tipo_Persona"                                                                                          
## [22] "Clientes_2016_2017_2018"                                                                               
## [23] "Moneda"                                                                                                
## [24] "Póliza"                                                                                                
## [25] "1_IDENTIFICACION_OFICIAL\""                                                                            
## [26] "2_CLAVE_UNICA_DE_REGISTRO_DE_POBLACION_(CURP)...26"                                                    
## [27] "3_CEDULA_DE_IDENTIFICACION_FISCAL_(RFC)...27"                                                          
## [28] "4_COMPROBANTE_DE_DOMICILIO...28"                                                                       
## [29] "8_FORMATO_CONOCE_A_TU_CLIENTE...29"                                                                    
## [30] "1_TESTIMONIO_NOTARIAL_O_COPIA_DEL_ACTA_COSTITUTIVA"                                                    
## [31] "2_CEDULA_DE_IDENTIFICACION_FISCAL_(RFC)"                                                               
## [32] "3_COMPROBANTE_DE_DOMICILIO"                                                                            
## [33] "4_TESTIMONIO_O_COPIA_DEL_PODER_NOTARIAL_DEL_REPRESENTANTE_LEGAL"                                       
## [34] "5_IDENTIFICACION_OFICIAL_DEL_REPRESENTANTE_LEGAL"                                                      
## [35] "6_ESCRITO_FIRMADO_QUE_ACREDITA_LA_INSCRIPCION_RESPECTIVA_(EMPRESA_DE_RECIENTE_CONSTITUCION)"           
## [36] "8_FORMATO_CONOCE_A_TU_CLIENTE...36"                                                                    
## [37] "99_DATOS_COMPLETOS...37"                                                                               
## [38] "1_TESTIMONIO_O_COPIA_CERTIFICADA_DEL_PODER_NOTARIAL"                                                   
## [39] "2_CONSTANCIA_DE_NOMBRAMIENTO,_EXPEDIDA_EN_TERMINOS_DEL_ART._90_DE_LA_LEY_DE_INST._DE_SEGUROS"          
## [40] "3_IDENTIFICACION_OFICIAL_DEL_REPRESENTANTEO_REPRESENTANTES_LEGALES_DE_LA_ENTIDAD"                      
## [41] "4_COMPROBANTE_DE_DOMICILIO...41"                                                                       
## [42] "5_CEDULA_DE_IDENTIFICACION_FISCAL_(RFC)"                                                               
## [43] "8_FORMATO_CONOCE_A_TU_CLIENTE...43"                                                                    
## [44] "9_Y/O_ACTA_DE_MAYORIA_QUE_SE_LE_ENTREGA_AL_PRESIDENTE_MUNICIPAL_Y_LEY_ORGANICA_DE_LA_ADMINISTRACION_PU"
## [45] "99_DATOS_COMPLETOS...45"                                                                               
## [46] "1_IDENTIFICACION_OFICIAL"                                                                              
## [47] "2_CLAVE_UNICA_DE_REGISTRO_DE_POBLACION_(CURP)...47"                                                    
## [48] "3_CEDULA_DE_IDENTIFICACION_FISCAL_(RFC)...48"                                                          
## [49] "4_COMPROBANTE_DE_DOMICILIO...49"                                                                       
## [50] "8_FORMATO_CONOCE_A_TU_CLIENTE...50"                                                                    
## [51] "99_DATOS_COMPLETOS...51"                                                                               
## [52] "5_CARTA_PODER_DEL_APODERADO_LEGAL"                                                                     
## [53] "6_IDENTIFICACION_DEL_APODERADO_LEGAL"                                                                  
## [54] "7_COMPROBANTE_DE_DOMICILIO_DEL_APODERADO_LEGAL"                                                        
## [55] "1_PASAPORTE_ORIGINAL_Y/O_DOCUMENTO_QUE_ACREDITE_SU_LEGAL_ESTANCIA_EN_TERRITORIO_MEXICANO...55"         
## [56] "4_COMPROBANTE_DE_DOMICILIO...56"                                                                       
## [57] "8_FORMATO_CONOCE_A_TU_CLIENTE...57"                                                                    
## [58] "1_COPIA_LEGISLADA_O_APOSTILLADA_DEL_DOCTO._QUE_ACREDITE_SU_LEGAL_EXISTENCIA"                           
## [59] "2_COPIA_LEGISLADA_O_APOSTILLADA_DEL_PODER_DEL_REPRESENTANTE_LEGAL_(NAL._O_EXT.)"                       
## [60] "3_COPIA_DE_LA_IDENTIFICACION_PERSONAL_OFICIAL_DEL_REPRESENTANTE_O_REPRESENTANTES_LEGALES"              
## [61] "4_COMPROBANTE_DE_DOMICILIO...61"                                                                       
## [62] "8_FORMATO_CONOCE_A_TU_CLIENTE...62"                                                                    
## [63] "99_DATOS_COMPLETOS...63"                                                                               
## [64] "1_PASAPORTE_ORIGINAL_Y/O_DOCUMENTO_QUE_ACREDITE_SU_LEGAL_ESTANCIA_EN_TERRITORIO_MEXICANO...64"         
## [65] "4_COMPROBANTE_DE_DOMICILIO...65"                                                                       
## [66] "8_FORMATO_CONOCE_A_TU_CLIENTE...66"                                                                    
## [67] "99_DATOS_COMPLETOS...67"

 

…y la magia de dplyr es: un solo PIPE!!!!!

emision %>%
  mutate(CUENTA_DOCS = rowSums(.[24:43]=="Si", na.rm=TRUE)) %>%
  mutate(PORCENTAJE_CUMPLI = (CUENTA_DOCS/43)*100) %>%
  select(c("Sucursal","Nombre_Sucursal","Prima_Convertida","PORCENTAJE_CUMPLI")) %>%
  filter(PORCENTAJE_CUMPLI>0) %>%
  group_by(Sucursal ,Nombre_Sucursal) %>%
  summarise(Prima_Prom = sum(Prima_Convertida)/n(),
            Cumplimiento_prom= sum(PORCENTAJE_CUMPLI)/n())

## # A tibble: 1 x 4
## # Groups:   Sucursal [1]
##   Sucursal Nombre_Sucursal Prima_Prom Cumplimiento_prom
##   <chr>    <chr>                <dbl>             <dbl>
## 1 D00      MEXICO             266124.              10.6

 

Dejamos todas las sucursales, lo guardan en su variable y listo!!!

emision_resumen <- emision %>%
mutate(CUENTA_DOCS = rowSums(.[24:43]=="Si", na.rm=TRUE)) %>%
mutate(PORCENTAJE_CUMPLI = (CUENTA_DOCS/43)*100) %>%
select(c("Sucursal","Nombre_Sucursal","Prima_Convertida","PORCENTAJE_CUMPLI")) %>%
filter(PORCENTAJE_CUMPLI>=0) %>%
group_by(Sucursal ,Nombre_Sucursal) %>%
summarise(Adeudos = n(),
          Prima_Prom = sum(Prima_Convertida)/n(),
          Cumplimiento_prom= sum(PORCENTAJE_CUMPLI)/n()) %>%
na.omit() %>%
arrange(Adeudos)
emision_resumen

## # A tibble: 3 x 5
## # Groups:   Sucursal [3]
##   Sucursal Nombre_Sucursal   Adeudos Prima_Prom Cumplimiento_prom
##   <chr>    <chr>               <int>      <dbl>             <dbl>
## 1 F04      METRO ARCOS             1    281196.              0   
## 2 D70      METRO INSURGENTES      10    196118.              0   
## 3 D00      MEXICO                191    241681.              2.61

 

Aplausos!!!

 

Para la siguiente sesión comentaremos esta lectura:

https://infogram.com/es/pagina/visualizacion-datos

R_ggplot

OBJETIVO: Graficar entendiendo los datos, escalas y tipos de gráficos, mejorar visualizaciones actuales

 

Empezamos usando unos nuevos datos fake con propositos didacticos.

library(dplyr)
emision <- read.csv("./bases/Consolidados-7.csv", header = T, stringsAsFactors=F)

 

…exploramos un poco…

str(emision)

## 'data.frame':    28 obs. of  4 variables:
##  $ Año.Contable   : int  2019 2019 2019 2019 2019 2019 2019 2018 2018 2018 ...
##  $ Nombre.Director: chr  "GERARDO PEREZ" "GEORGE W BUSH" "CHEMA" "MARCE VERDURAS" ...
##  $ Emitida        : chr  "2,661,351,720.69" "419,558,997.10" "1,016,438,189.37" "732,761,487.80" ...
##  $ Pagada         : chr  "2,464,282,560.52" "382,555,636.68" "1,063,419,000.60" "954,516,475.69" ...

 

Un regalo!

#Quitamos las comas y redondeamos la cifra, ademas que guardamos la variable como entero
library(readr)
emision <- emision %>%
  mutate(Emitida = parse_number(Emitida),
         Pagada = parse_number(Pagada))
#parse_number esta dentro de readr

 

revisamos de nuevo:

str(emision)

## 'data.frame':    28 obs. of  4 variables:
##  $ Año.Contable   : int  2019 2019 2019 2019 2019 2019 2019 2018 2018 2018 ...
##  $ Nombre.Director: chr  "GERARDO PEREZ" "GEORGE W BUSH" "CHEMA" "MARCE VERDURAS" ...
##  $ Emitida        : num  2.66e+09 4.20e+08 1.02e+09 7.33e+08 3.72e+09 ...
##  $ Pagada         : num  2.46e+09 3.83e+08 1.06e+09 9.55e+08 2.87e+09 ...

 

Ahora si pudieron cargar tidyverse solo habiliten la libreria.

library(ggplot2)

Si NO pudieron cargar tidyverse, descarguen ggplot2 y habiliten la libreria.

install.packages("ggplot2")
library(ggplot2)

 

Ventajas de ggplot2:

• Muy flexible
• Fácil de interpretar, sintaxis sencilla
• Sistema ya muy avanzado para graficar
• Ecosistema amplio
• Comunidad amplia, gran soporte
• Basado en el libro “The Grammar of Graphics”

 

¿Cómo se usa?

Empezamos con la función ggplot(), integrando nuestra base y sus variables (con aes()). Luego agregamos las coordenadas o puntos a graficar con geom_point() o con geom_histogram(), luego las escalas ó colores (como puede ser scale_colour_brewer()), algunas especificaciones como facet_wrap() y hasta títulos o marcas.

 

¿Y si graficamos con R base? ggplot2 VS R base de una manera muy sencilla.

hist(emision$Emitida)

Y con ggplot2 se ve lo mismo de la siguiente forma:

ggplot(emision, aes(x = Emitida)) +
  geom_histogram()

Sin embargo hay que graficar cosas que hagan sentido, pero antes revisemos un poco mas.

 

Aesthetic Mapping

En el mundo de ggplot2 aesthetic significa “algo que puedes ver”. Puedes incluir las siguientes opciones:

• position (por ejemplo en el eje x o en el eje de las y´s)
• color (el color de relleno)
• fill (el color del grafico)
• shape (forma)
• linetype
• size (tamaño)

Cada tipo de gráfico solo acepta un conjunto de datos, es natural de una gráfica de dos dimensiones.

 

Objetos geométricos (geom)

Son los tipos de gráficos que tenemos en cada imagen:

• Puntos (geom_point, para scatter plots, dot plots, etc.)
• Lineas (geom_line, para time series, trend lines, etc.)
• Diagrama de caja y brazo (geom_boxplot)

Un gráfico al menos debe tener un objeto geométrico, y pueden ir agregando más con el símbolo +, que al ponerlo lo identa de manera correcta.

Puedes tener una buena ayuda con los objetos disponibles de la siguiente forma:

help.search("geom_", package = "ggplot2")

 

Pongamos datos reales…

#Quitamos la basura
emision <- emision %>%
  filter(Nombre.Director != "NO INFORMADO")

 

Ordenamos y hacemos un sencillo resumen

emision_anual <- emision %>%
  group_by(Año.Contable) %>%
  summarise(Prima_E = sum(Emitida))
emision_anual

## # A tibble: 4 x 2
##   Año.Contable      Prima_E
##          <int>        <dbl>
## 1         2016 10827627985.
## 2         2017 12318125772.
## 3         2018 14202526793.
## 4         2019 10182639580.

 

Y graficamos

ggplot(emision_anual, aes(y = Prima_E, x = Año.Contable)) +
  geom_point()

Agregamos leyendas en ambos ejes

ggplot(emision_anual, aes(y = Prima_E, x = Año.Contable)) +
  geom_point() +
  scale_x_continuous(limits = c(2015, 2020))+
  ylab("Prima Emitida Acumulada")+
  xlab("Año contable")

Un poco mejor

ggplot(emision_anual, aes(y = Prima_E, x = Año.Contable)) +
  geom_point(size= 6, alpha= .6) +
  scale_x_continuous(limits = c(2015.5, 2019.5))+
  ylab("Prima Emitida Acumulada")+
  xlab("Año contable")

O mejor asi

ggplot(emision_anual, aes(y = Prima_E, x = Año.Contable)) +
  geom_point(size= 6, alpha= .6) +
  geom_line(color= "red") +
  scale_x_continuous(limits = c(2015.5, 2019.5))+
  ylab("Prima Emitida Acumulada")+
  xlab("Año contable")

Sin embargo podemos hacer mejores visualizaciones con mejores datos…

 

Volvemos a ordenar el set original

emision_director <- emision %>%
  filter(Nombre.Director != "NO INFORMADO") %>%
  group_by(Nombre.Director, Año.Contable) %>%
  summarise(Prima_E = sum(Emitida),
            Prima_P = sum(Pagada))
emision_director

## # A tibble: 24 x 4
## # Groups:   Nombre.Director [6]
##    Nombre.Director Año.Contable     Prima_E     Prima_P
##    <chr>                  <int>       <dbl>       <dbl>
##  1 CHEMA                   2016 1276115429. 1261107000.
##  2 CHEMA                   2017 1399058109. 1351242103.
##  3 CHEMA                   2018 1585929111. 1581205688.
##  4 CHEMA                   2019 1016438189. 1063419001.
##  5 EL BAILADOR             2016 1503532561. 1426823176.
##  6 EL BAILADOR             2017 1631954516. 1545986628.
##  7 EL BAILADOR             2018 1874743990. 1832613076.
##  8 EL BAILADOR             2019 1634953994. 1285381085.
##  9 GEORGE W BUSH           2016  413164395.  332089523.
## 10 GEORGE W BUSH           2017  394549120.  390359735.
## # ... with 14 more rows

 

y ahora si toma sentido!!

ggplot(emision_director, aes(y = Prima_E, x = Año.Contable, colour = Nombre.Director)) +
  geom_point(size= 6, alpha= .7) +
  scale_x_continuous(limits = c(2015.5, 2019.5))+
  ylab("Prima Emitida Acumulada")+
  xlab("Año contable")

O mejor aun…se puede?

ggplot(emision_director, aes(x = Año.Contable, y = Nombre.Director)) +
  geom_point(aes(size = Prima_E), alpha = 0.4) +
  scale_size(range = c(0.5, 16))  #Ajusta el tamaño de los circulos

Podemos agregar algunas librerias que nos ayudan a mejorar las visualizaciones.

#install.packages("ggpubr")
library(ggpubr)
# Teniendo otros datos esta visualización es buenisima
ggscatterhist(
  emision_director, x = "Prima_E", y = "Prima_P",
  color = "Nombre.Director", size = 5, alpha = 0.7,
  margin.params = list(fill = "Nombre.Director", color = "black", size = 0.4)
  )

O podemos hacer algunas ya un poco conocidas…

ggplot(emision_director, aes(x = Año.Contable, y = Prima_E)) +
  geom_col(aes(color = Nombre.Director, fill = Nombre.Director), position = position_stack())

de mis favoritas

# Multiple line plot
ggplot(emision_director, aes(x = Año.Contable, y = Prima_E)) + 
  geom_line(aes(color = Nombre.Director), size = 1) +
  theme_minimal()

 

Le subimos el volumen!!!

#Obtenemos los datos de CHEM@
emi_chema <- emision %>%
  filter(Nombre.Director == "CHEMA",
         Año.Contable != "2019") %>%
  group_by(Nombre.Director, Año.Contable) %>%
  summarise(Prima_E = sum(Emitida),
            Prima_P = sum(Pagada))
#Una regresion lineal sencilla
#Obtenemos los coeficientes
regresion <- lm(Prima_E~Año.Contable, data = emi_chema)
#Ajustamos
emi_chema$prediccion <- predict(regresion)

#De mejor interpretación
p1 <- ggplot(emi_chema, aes(x = Año.Contable, y = Prima_E))

p1 + geom_point() +
  scale_x_continuous(limits = c(2016, 2018)) +
  geom_line(aes(y = prediccion))

Agregamos unas bandas de confianza representadas por una sombra

p1 + geom_point() +
  scale_x_continuous(limits = c(2016, 2018)) +
  geom_line(aes(y = prediccion)) +
  geom_smooth()

…pero y el año 2019 y el 2020 como va a cerrar? Ideas??

 

Seguimos con la magia!

conf1 <- predict(regresion,interval="confidence")
pred1 <- predict(regresion,interval="prediction")

Pasamos los siguientes dos años…

new <- data.frame(Año.Contable=seq(2019,2020,length=2))
conf2 <- predict(regresion,interval="confidence",newdata=new)
pred2 <- predict(regresion,interval="prediction",newdata=new)
new$prediccion <- predict(regresion,newdata=new)
new

##   Año.Contable prediccion
## 1         2019 1730181232
## 2         2020 1885088074

y lo graficamos para que se entienda mejor

emi_chema_pred <-bind_rows(emi_chema,new)
p2 <- ggplot(emi_chema_pred, aes(x = Año.Contable, y = Prima_E))
p2 + geom_point(size= 2) +
  scale_x_continuous(limits = c(2016, 2020)) +
  geom_line(aes(y = prediccion)) +
  geom_point(aes(y = prediccion),color= "blue", size= 3, alpha = 0.4) 

revisamos el detalle que nos da “lm”, las bandas de confianza y de predicción

par(las=1,bty="l") ## formato
plot(Prima_E~Año.Contable,data=emi_chema,ylim=c(120000000,2650000000),xlim=c(2016,2020)) ## datos originales
abline(regresion) ## ajuste del modelo
matlines(emi_chema$Año.Contable,conf1[,c("lwr","upr")],col=2,lty=1,type="b",pch="+")
matlines(emi_chema$Año.Contable,pred1[,c("lwr","upr")],col=2,lty=2,type="b",pch=1)
matlines(new$Año.Contable,conf2[,c("lwr","upr")],col=4,lty=1,type="b",pch="+")
matlines(new$Año.Contable,pred2[,c("lwr","upr")],col=4,lty=2,type="b",pch=1)

 

Mas ideas, revisen el siguiente link:

https://www.datanovia.com/en/blog/ggplot-examples-best-reference/

Buenisimos tutoriales, muchas gracias a los amigos de datanovia!!!

Ademas pueden revisar el documento de apoyo data-visualization-2.1.pdf que esta en el repo del Workshop.